KeyFrame內部研究專用

多巴胺EP44:多巴胺,現在2026,去前額葉化|手機+AI讓人越來越不想自己想?去前額葉化是什麼【多巴胺大宇宙 EP44】

X-Health Lab.·6月19日週五·19 min中文

三句話摘要

AI和手機通過多巴胺刺激正在造成現代人的「去前額葉化」,導致人類集體喪失理性思考能力。 當手機和AI把社會獎品品質從80分提升到95分時,全民成癮變得不可逆轉,我們正在用多巴胺迷幻自己的大腦,集體走向前額葉萎縮的死亡。 多巴胺本質是追逐快樂而非成功快樂——在追逐過程中產生的興奮感才是多巴胺的作用,成功後反而會掉落,這也是為什麼人們不斷追逐新刺激而無法滿足。

重點整理

重點
  • 1

    多巴胺本質是追逐快樂而非成功快樂——在追逐過程中產生的興奮感才是多巴胺的作用,成功後反而會掉落,這也是為什麼人們不斷追逐新刺激而無法滿足。

  • 2

    內外在多巴胺決定人的主體性——內在多巴胺高的人自給自足、主動創造(如黃仁勳);內在多巴胺低的人空虛無力、依賴外界指導,手機AI正好成為他們的成癮源。

  • 3

    前額葉過度燃燒導致永久萎縮——就像1949年António Egas Moniz用木片切割精神病患的前額葉一樣,現在我們用AI和手機「自動燒壞」自己的前額葉,無需醫生動手。

  • 4

    社會獎品品質提高反而加速退化——過去社會獎品只有80分(考試、耕作),現在AI提供95分的精美內容,誰能抗拒?但這種過度刺激正在集體癱瘓人類智能。

實用技巧與重點

乾貨
  • 歷史案例:1949年António Egas Moniz因前額葉切除術獲諾貝爾醫學獎;1951年美國超過16,000人接受此手術
  • 概念區分:Like vs Want — Like是自我滿足的輕鬆態度;Want是內在缺乏導致的迫切需求
  • 人群分類
  • 內在滿足者:高內在多巴胺,自信、有主體性、是創造者
  • 外在滿足者:低內在多巴胺,掛著「我不懂、我空虛、我無能」,需要被告訴答案、被完整、被指導
  • 應用場景
  • 高階多巴胺用法:邊跑步邊聽Podcast、科研團隊用AI助手協作思考
  • 低階多巴胺用法:過馬路看手機、把所有功課交給AI寫、老師用AI出題學生用AI做作業老師用AI改
  • 影視參考:2005年電影《衝出寧靜號》(Serenity) — Miranda星球被投放Pax毒氣,使所有人陷入虛幻快樂、坐以待斃
  • 科學實驗:老鼠實驗 — 老鼠不斷拉杆刺激多巴胺細胞直到死亡,連吃飯都廢棄
  • 社會變化:1026年社會獎品品質約80分;2026年手機AI提升到95分,全民追逐

結論

結論

當手機和AI把社會獎品品質從80分提升到95分時,全民成癮變得不可逆轉,我們正在用多巴胺迷幻自己的大腦,集體走向前額葉萎縮的死亡。

完整解析

詳細

講者從時間對比開始:一千年前(1026年)的生活有多簡單——家徒四壁,只有山水畫、一張桌子、幾本書,那是一個血清素的世界,人可以發呆、思考、享受寧靜。但現在(2026年)完全反轉成多巴胺的世界:手機源源不絕的影片、AI的實時問答、無窮無盡的內容刺激。

多巴胺並非「快樂荷爾蒙」,而是「追逐荷爾蒙」。成功前的追逐過程才是多巴胺飆升的時刻,成功後反而會掉落,產生失落感。成功後帶來的美好感受其實是類阿片(opioid)。若要更棒的感受,需要與他人互動得到催產素;長期的平靜與安全感則來自血清素。講者舉戀愛為例:追女友時的全身發燙是多巴胺;結婚後的平靜是血清素——它們是不同的神經化學狀態,不應混淆。

人的多巴胺分為兩類:內在多巴胺(大腦中腦的多巴胺工廠分泌)與外在多巴胺(手機、AI、人際關係、名利等外部刺激)。內在多巴胺高的人自我滿足、充滿動力、具有創造性——這類人被稱為「內在滿足者」,他們像企業家一樣主動創造;內在多巴胺低的人則是「外在滿足者」,每天無精打采,時時刻刻需要外界的肯定、指導與滿足,就像嗷嗷待哺的嬰兒。

現代的危機在於,人們用手機和AI這類「低階多巴胺產品」填滿整個生活。一個高內在多巴胺的人拿到手機,會說「不錯」然後放下;一個低內在多巴胺的人會尖叫著不願鬆手。前額葉本應用於理性判斷、探索冒險、開發未知,但現在被用來「爽」——不思考、不創造、只消費。科學已證實,過度接觸短影片會導致整體人類智商下降。前額葉的過度燃燒最終會萎縮,使人類退回到純動物狀態。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。